CN111597381A

CN111597381A - 内容生成方法、装置以及介质

Info

Publication number: CN111597381A
Application number: CN202010302033.7A
Authority: CN
Inventors: 刘庆同; 薛子育; 王磊; 郭沛宇
Original assignee: Research Institute Of Radio And Television Science State Administration Of Radio And Television
Current assignee: Research Institute Of Radio And Television Science State Administration Of Radio And Television
Priority date: 2020-04-16
Filing date: 2020-04-16
Publication date: 2020-08-28

Abstract

本公开的实施例涉及内容生成方法、内容生成装置、以及计算机可读存储介质。该方法包括：对内容素材进行音视频分离处理，得到视频文件和音频文件；从视频文件中提取出视频特征，对视频特征进行分析以得到视频分析结果；从音频文件中提取出音频特征，对音频特征进行分析以得到音频分析结果；根据视频分析结果和音频分析结果，确定视频文件的场景；根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段；为关键视频片段对齐相应的音频片段，得到关键内容片段；基于关键内容片段生成目标内容。

Description

内容生成方法、装置以及介质

技术领域

本公开涉及视频处理技术，更具体地，涉及内容生成方法、内容生成装置、以及计算机可读存储介质。

背景技术

随着内容产业的爆发和高度竞争，内容生产机构对于内容质量和创作速度都有了更高的要求。特别是对于新闻新媒体行业来说，由于其涉及到实事热点报道，更加要求快速响应和专业性剪辑。现有的由专业的编辑人员采用人工方式进行内容制作的方式，无法满足这种需求。

发明内容

本公开实施例的一个目的是提供一种新的内容生成方案，可以提高内容制作效率。

根据本公开实施例的第一方面，提供了一种内容生成方法，包括：

对内容素材进行音视频分离处理，得到视频文件和音频文件；

从视频文件中提取出视频特征，对视频特征进行分析以得到视频分析结果；

从音频文件中提取出音频特征，对音频特征进行分析以得到音频分析结果；

根据视频分析结果和音频分析结果，确定视频文件的场景；

根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段；

为关键视频片段对齐相应的音频片段，得到关键内容片段；

基于关键内容片段生成目标内容。

可选地，基于第一深度卷积神经网络从视频文件中提取出所述视频特征，基于第二深度卷积神经网络从音频文件中提取出所述音频特征。

可选地，在从视频文件中提取出视频特征之前，还包括：过滤掉视频文件中的无效镜头。

可选地，所述无效镜头包括抖动镜头、长时间静止镜头、黑屏镜头、模糊镜头。

可选地，所述对视频特征进行分析，至少包括下列步骤之一：检测人物、检测人脸、检测人物的动作、检测目标物体。

可选地，所述对音频特征进行分析，至少包括下列步骤之一：提取有效声音、检测人声。

可选地，所述对音频特征进行分析，还包括下列步骤之一：情感分析、内容预测、声音场景分析。

可选地，声音场景包括无人声场景、室内讲话场景、室外讲话场景。

可选地，根据视频分析结果和音频分析结果，确定视频文件的场景，包括：

根据视频分析结果和声音场景分析结果，确定视频文件的场景。

可选地，所述根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段，包括：

根据视频文件的场景，选择对应场景的内容生成模型；

将视频文件、视频分析结果以及音频分析结果输入至所述内容生成模型中，由所述内容生成模型从视频文件中选取出关键视频片段。

根据本公开实施例的第二方面，提供了一种内容生成装置，包括存储器和处理器；所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现本公开实施例的第一方面提供的内容生成方法。

根据本公开实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例的第一方面提供的内容生成方法。

根据本公开的一个实施例，通过分别对素材的视频和音频进行分析，确定素材场景，根据视频分析结果、音频分析结果以及素材场景，从视频文件中选取出关键视频片段来制作内容，提高了内容制作效率。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是本公开实施例提供的内容生成方法的流程图；

图2是本发明实施例提供的内容生成方法的示意图；

图3是本发明实施例提供的内容生成装置的示意图；

图4是本发明实施例提供的内容生成系统的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

<内容生成方法>

参见图1和图2所示，本公开的实施例提供了一种内容生成方法，包括步骤S202-S214。

S202、对内容素材进行音视频分离处理，得到视频文件和音频文件。

在一个具体的例子中，可以通过多媒体接口获取到内容素材。在一个具体的例子中，可以通过通信端口获取到内容素材的码流。

音视频分离过程目的是提取内容素材的视频数据帧和音频数据帧，并重新编码为视频文件和音频文件。

S204、从视频文件中提取出视频特征，对视频特征进行分析以得到视频分析结果。

在从视频文件中提取出视频特征之前，可以预先过滤掉视频文件中的无效镜头。无效镜头可以包括抖动镜头、长时间静止镜头、黑屏镜头、模糊镜头等镜头。在一个具体的例子中，可以将视频文件输入到预先训练好的深度学习模型中，由深度学习模型检测出无效镜头并且进行过滤，输出过滤后的视频文件。

提取出的视频特征可以包括：姿态特征、目标物体特征、人脸特征、人体特征、场景特征等。在一个具体的例子中，可以基于预先训练好的第一深度卷积神经网络从视频文件中提取出视频特征。

提取出视频特征后，可以利用视频特征检测人物、人脸、人物的动作、敏感人物、敏感人脸、敏感人物的动作、目标物体、目标物体的移动等等。在一个具体的例子中，视频分析结果带有对应的时间标签。例如，一条具体的视频分析结果为“从15秒开始到35秒结束，出现演员A”。例如，一条具体的视频分析结果为“从20秒开始到23秒结束，出现B品牌的手机”。

S206、从音频文件中提取出音频特征，对音频特征进行分析以得到音频分析结果。

在一个具体的例子中，可以基于预先训练好的第二深度卷积神经网络从音频文件中提取出音频特征。

在一个具体的例子中，在提取出音频特征后，将音频特征输入到预先训练好的音频分析模型中，由音频分析模型对音频特征进行分析，得到音频分析结果。音频分析模型可以采用LSTM网络实现。LSTM(Long Short Term Memory，长短期记忆网络)是一种特殊的循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的事件。

对音频特征进行分析，可以包括：过滤掉白噪声和千周音，保留人声和音乐等有效声音。对音频特征进行分析，还可以包括，提取出人声。

在一个具体的例子中，对音频特征进行分析，还可以包括情感分析。也就是说，通过对音频特征进行分析，可以确定该音频所表达的情感是怎样的，例如愉悦、轻松等正面情感，难过、愤怒、伤心等负面情感。

在一个具体的例子中，对音频特征进行分析，还可以包括内容预测。也就是说，在提取出人声的情况下，对人声进行识别，得到人声所要表达的内容，进一步预测后续人声所要表达的内容。

在一个具体的例子中，对音频特征进行分析，还可以包括声音场景分析。声音场景包括无人声场景、室内讲话场景、室外讲话场景。进一步还可以包括会议场景、演唱会场景等。声音场景的类别可以根据实际需求进行设定，并且选择相应类型的样本音频对初始的音频分析模型进行训练，得到训练好的音频分析模型。

在一个具体的例子中，音频分析结果带有对应的时间标签。例如，一条具体的音频分析结果为“从10秒开始到70秒结束，出现讲话”。例如，一条具体的视频分析结果为“从15秒开始到80秒结束，出现悲伤的背景音乐”。例如，一条具体的音频分析结果为“从30秒开始到400秒结束，为室内讲话场景”。

S208、根据视频分析结果和音频分析结果，确定视频文件的场景。

在一个具体的例子中，音频分析结果包括声音场景分析结果，根据视频分析结果和声音场景分析结果，确定视频文件的场景。

例如，声音场景分析结果为“室内讲话场景”，视频分析结果为“在房间内长时间存在多个人物和多个麦克风”，则可以确定视频文件的场景为“室内会议”。

例如，声音场景分析结果为“室内讲话场景”，音频分析结果中包含大量的快门声，视频分析结果为“一个人间断性的回答提问”，则可以确定视频文件的场景为“室内新闻发布会”。

S210、根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段。

根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段，包括步骤S2102-S2104。

S2102、根据视频文件的场景，选择对应场景的内容生成模型。例如，视频文件的场景为“户外演唱会”，则选择“户外演唱会”对应的内容生成模型。

S2104、将视频文件、视频分析结果以及音频分析结果输入至选择的内容生成模型中。内容生成模型根据视频分析结果以及音频分析结果，从视频文件中从视频文件中选取出关键视频片段。

在一个具体的例子中，该内容生成模型可以采用摘要生成算法来实现。该内容生成模型可以是使用其对应场景的样本视频预先训练好的。该内容生成模型可以是采用遗传算法的视频摘要生成模型。该内容生成模型也可以是基于“实体-描述-效用”的视频摘要生成模型。“实体”是视频中的客观存在，例如一个人物就是一个实体，一个视频中可以包括多个实体。“描述”是对实体内容的抽象表达，在本公开实施例中，“描述”包括视频分析结果以及音频分析结果。“效应”是实体的重要性，也就是实体对于表现整个视频内容起了多个的作用，这由实体本身的特性决定。

例如，视频文件为“户外演唱会”，视频分析结果为“从20秒开始到80秒结束，出现演唱者”，音频分析结果为“从30秒开始到90秒结束，同时出现音乐和人声”，也就是说，从30秒开始到80秒结束的视频片段中，画面中存在正在演唱的演唱者，将30秒开始到80秒结束的视频片段作为关键视频片段。

S212、为关键视频片段对齐相应的音频片段，得到关键内容片段。

在这一过程中，基于音画同步技术，从音频文件中选择与关键视频片段对应的音频片段，为关键视频片段配上音频片段，得到关键内容片段。

S214、基于关键内容片段生成目标内容。

在一个具体的例子中，获取到一个内容素材的多个关键内容片段后，可以按照关键内容片段在内容素材中的顺序，将多个关键内容片段拼接起来得到目标内容。

在一个具体的例子中，获取到一个或者多个内容素材的多个关键内容片段后，可以基于拍摄时间顺序，将多个关键内容片段拼接起来得到目标内容。

在一个具体的例子中，获取到多个相关的内容素材得到的多个关键内容片段后，可以基于内容预测的结果将多个关键内容片段拼接起来，得到目标内容。例如，当前关键内容片段的人声包括问题C，预测下一步的人声内容应当是对问题C的回答，则选择人声内容是对问题C的回答的关键内容片段作为下一个内容片段，从而拼接得到目标内容。

根据本公开的一个实施例，通过分别对素材的视频和音频进行分析，确定素材场景，根据视频分析结果、音频分析结果以及素材场景，从视频文件中选取出关键视频片段来制作内容，提高了内容制作效率，降低了内容制作成本。

根据本公开的一个实施例，在内容生成的过程中，其中的多个环节可以利用人工智能技术实现，加快了内容制作过程，节省了人员工作时间。

根据本公开的一个实施例，特别适用于新闻报道等实时性强，需要快速响应的内容发布场景。

<内容生成装置>

参见图3所示，本公开实施例还提供了一种内容生成装置500，包括存储器502和处理器501。存储器502存储有计算机程序，所述计算机程序被处理器501执行时实现本公开的任一个实施例提供的内容生成方法。

在一个具体的例子中，内容生成装置500可以是服务器。在一个具体的例子中，内容生成装置500也可以是安装有智能操作系统(例如安卓、IOS、Windows、Linux等系统)的电子设备，包括但不限于便携式电脑、台式计算机、手机、平板电脑等等。

根据本公开的一个实施例，内容生成装置通过分别对素材的视频和音频进行分析，确定素材场景，根据视频分析结果、音频分析结果以及素材场景，从视频文件中选取出关键视频片段来制作内容，提高了内容制作效率，降低了内容制作成本。

根据本公开的一个实施例，内容生成装置可以采用人工智能技术实现，加快了内容制作过程，节省了人员工作时间。

<内容生成系统>

图4是本发明实施例提供的内容生成系统的系统框图，如图4所示，该系统包括服务器101、网络102及终端设备103，服务器101和终端设备103通过网络102通信连接。终端设备103可以是一个，也可以是多个，图中示出了多个终端设备103。当然，服务器101也可以直接与终端设备103通信连接。

服务器101的配置可以包括但不限于处理器、存储器、接口装置、通信装置、输入装置、输出装置。处理器包括但不限于中央处理器CPU、微处理器MCU等。存储器包括但不限于ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置包括但不限于USB接口、串行接口、并行接口等。通信装置例如能够进行有线通信或无线通信，具体地可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。输入装置包括但不限于键盘、鼠标、触摸屏等。输出装置包括但不限于显示屏、扬声器等。服务器101的配置也可以仅包括上述装置中的部分装置。

终端设备103例如可以是摄像机，安装有智能操作系统(例如安卓、IOS、Windows、Linux等系统)的电子设备，包括但不限于便携式电脑、台式计算机、手机、平板电脑等等。终端设备103的配置包括但不限于处理器、存储器、接口装置、通信装置、输入装置、输出装置、摄像装置。处理器包括但不限于中央处理器CPU、微处理器MCU等。存储器包括但不限于ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置包括但不限于USB接口、串行接口、并行接口等。通信装置例如能够进行有线通信或无线通信，具体地可以包括WiFi通信、蓝牙通信、2G/3G/4G/5G通信等。输入装置包括但不限于键盘、鼠标、触摸屏等。输出装置包括但不限于显示屏、扬声器等。终端设备103的配置也可以仅包括上述装置中的部分装置。

应用于本发明的实施例中，终端设备103拍摄到内容素材后，可以上传到服务器101。服务器101的存储器用于存储指令，该指令用于控制处理器进行操作以执行本发明实施例提供的任意一项内容生成方法，从而根据内容素材生成目标内容。

图4所示的内容生成系统仅仅是说明性的并且绝不意味着对本发明、其应用或使用的任何限制。本领域技术人员应当理解，尽管在图4中对内容生成系统示出了多个装置，但是，本发明可以仅涉及其中的部分装置，例如，服务器101只涉及处理器和存储器。技术人员可以根据本发明所公开的方案设计指令。指令如何控制处理器进行操作，这是本领域公知技术，故在此不再详细描述。

<计算机可读存储介质>

本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开的任一个实施例提供的内容生成方法。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims

1.一种内容生成方法，其特征在于，包括：

根据视频分析结果和音频分析结果，确定视频文件的场景；

为关键视频片段对齐相应的音频片段，得到关键内容片段；

基于关键内容片段生成目标内容。

2.根据权利要求1所述的方法，基于第一深度卷积神经网络从视频文件中提取出所述视频特征，基于第二深度卷积神经网络从音频文件中提取出所述音频特征。

3.根据权利要求1所述的方法，在从视频文件中提取出视频特征之前，还包括：过滤掉视频文件中的无效镜头。

4.根据权利要求3所述的方法，所述无效镜头包括抖动镜头、长时间静止镜头、黑屏镜头、模糊镜头。

5.根据权利要求1所述的方法，所述对视频特征进行分析，至少包括下列步骤之一：检测人物、检测人脸、检测人物的动作、检测目标物体。

6.根据权利要求1所述的方法，所述对音频特征进行分析，至少包括下列步骤之一：提取有效声音、检测人声。

7.根据权利要求6所述的方法，所述对音频特征进行分析，还包括下列步骤之一：情感分析、内容预测、声音场景分析。

8.根据权利要求6所述的方法，声音场景包括无人声场景、室内讲话场景、室外讲话场景。

9.根据权利要求8所述的方法，根据视频分析结果和音频分析结果，确定视频文件的场景，包括：

10.根据权利要求1所述的方法，所述根据视频分析结果、音频分析结果以及视频文件的场景，从视频文件中选取出关键视频片段，包括：

根据视频文件的场景，选择对应场景的内容生成模型；

11.一种内容生成装置，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-10中任一项所述的内容生成方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述的内容生成方法。